鞠傳香 楊寧 丁娜娜 李松

摘 要：為促進(jìn)科技資源的跨區(qū)域共享及便捷利用，研究了一種科技服務(wù)資源虛擬化與存儲訪問方法。提出包含信息服務(wù)/物理資源層、虛擬資源層和資源應(yīng)用層的科技資源虛擬框架，定義了科技服務(wù)資源表示模型。結(jié)合科技服務(wù)資源的功能屬性和非功能屬性信息，給出科技服務(wù)資源的領(lǐng)域本體和語義定義。設(shè)計科技服務(wù)資源的統(tǒng)一存儲模型，借助Ontop工具實現(xiàn)SPARQL語義查詢。測試運行結(jié)果顯示，構(gòu)建的科技資源本體和存儲模型語義查詢正確。該科技資源虛擬框架分層合理，能夠有效實現(xiàn)科技資源表達(dá)、本體構(gòu)建和語義定義，且資源存儲方法靈活、方便，可有效實現(xiàn)資源的語義查詢。

關(guān)鍵詞：科技服務(wù)資源;服務(wù)虛擬化;資源表示;資源存儲;本體;云計算

DOI：10. 11907/rjdk. 202112????????????????????????????????????????????????????????????????? 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP301 ? 文獻(xiàn)標(biāo)識碼：A ??????????????? 文章編號：1672-7800（2020）011-0054-06

A Method for Virtualization and Storage Access of Science and

Technology Service Resources

JU Chuan-xiang1，2， YANG Ning1， DING Na-na2， LI Song1

（1. Qingdao Haida New Star Software Consulting Co.， Ltd， Qingdao 266100， China;

2. School of Computer Science and Technology， Shandong University of Technology， Zibo 255000， China）

Abstract：In order to promote the cross regional sharing and convenient utilization of science and technology resources， a method for virtualization and storage access of science and technology service resources is proposed. A hierarchical virtualization framework including information service and physical resource layer， virtual resource layer and resource application layer is proposed， and a S&T resource representation model is defined. The domain ontology and semantic definition of S&T service resources are given based on the information of functional attribute and non-functional attribute of S&T service resources. After defining a unified storage model， SPARQL semantic query is executed with the help of Ontop tool. The results show that semantic query has higher accuracy. thus we can draw the conclusion that the hierarchical virtualization framework is reasonable， which can effectively realize the expression， ontology construction and semantic definition of scientific and technological resources; the resource storage method is flexible and convenient， and can effectively realize the semantic query of resources.

Key Words：S&T service resource; service virtualization; resource representation; resource storage; ontology; cloud computing

0 引言

科技資源對科技產(chǎn)業(yè)和區(qū)域經(jīng)濟發(fā)展起到支撐性作用，隨著區(qū)域一體化的不斷推進(jìn)，跨區(qū)域科技協(xié)作已十分普遍。在此情況下，全鏈條、跨區(qū)域的科技服務(wù)需求尤為迫切[1]。當(dāng)前各個城市區(qū)域的科技服務(wù)資源仍存在分散不均、效率低下、資源信息不統(tǒng)一、信息平臺間缺乏共享渠道等問題，已無法適應(yīng)社會經(jīng)濟發(fā)展需求[2]。為突破科技服務(wù)現(xiàn)狀，提供跨區(qū)域、便捷、高效的科技服務(wù)，并促進(jìn)科技服務(wù)向高端邁進(jìn)，需構(gòu)建新型科技服務(wù)云平臺。

基于云計算的科技服務(wù)平臺是為科技服務(wù)用戶和管理者提供的一種新型服務(wù)模式，通過構(gòu)建跨網(wǎng)絡(luò)的虛擬資源池動態(tài)配置業(yè)務(wù)組合，滿足用戶復(fù)雜、個性化的科技服務(wù)需求。科技資源具有類型多樣性、跨域性、異質(zhì)性等特點，使得科技服務(wù)云平臺中的資源共享與利用變得更加復(fù)雜[3]。為此，本文提出一種科技服務(wù)資源虛擬化與存儲方法，通過資源抽象、表示建模、領(lǐng)域知識本體定義、建模存儲、映射規(guī)則定義等處理過程，將各類科技服務(wù)資源存入集中統(tǒng)一定義與管理的資源池中，解決不同服務(wù)資源之間的異構(gòu)性問題，最終實現(xiàn)科技資源的集成與共享。

1 相關(guān)研究

虛擬化是對計算機資源的抽象，通過對異質(zhì)、自治資源的聚合，為用戶和應(yīng)用提供統(tǒng)一的集成操作平臺，達(dá)到提升資源利用率的目的[4]。早期，虛擬化技術(shù)主要應(yīng)用于操作系統(tǒng)、存儲和網(wǎng)絡(luò)資源等方面。近年來，隨著云計算、物聯(lián)網(wǎng)技術(shù)的發(fā)展，虛擬化技術(shù)在智能制造、智慧物流和智慧城市等領(lǐng)域得到了廣泛應(yīng)用，在提升系統(tǒng)靈活性和使用價值方面發(fā)揮了重要作用。在科技服務(wù)領(lǐng)域，虛擬化技術(shù)將各類科技服務(wù)資源聚集到資源池中，不僅可以降低區(qū)域內(nèi)科技服務(wù)資源的獲取難度，還可通過服務(wù)資源組合促進(jìn)區(qū)域內(nèi)科技服務(wù)資源的共建共享與合理配置，降低資源獲取成本，提高科技服務(wù)資源利用率等[5]。資源虛擬化一般包括兩個階段：①分析資源特征，定義服務(wù)資源統(tǒng)一表達(dá)模型和存儲模型;②采用Web服務(wù)描述技術(shù)封裝資源。本文重點關(guān)注第一階段。

近年來，很多學(xué)者也對資源虛擬化技術(shù)進(jìn)行了研究。如Liu等[6]提出一種面向服務(wù)的可擴展信息物理云制造（Cyber-Physical Manufacturing Cloud，CPMC）平臺體系結(jié)構(gòu)，利用虛擬化技術(shù)對異質(zhì)、復(fù)雜的制造資源進(jìn)行匯聚與封裝，應(yīng)用于多種不同的制造場景，實現(xiàn)跨區(qū)域制造協(xié)同;Li等[7]基于云計算與物聯(lián)網(wǎng)技術(shù)提出一種新型物流服務(wù)模式，研究了物流服務(wù)平臺的資源虛擬化和服務(wù)封裝，實現(xiàn)了支持服務(wù)質(zhì)量約束的物流服務(wù)選擇算法;Ogawa等[8]針對智慧城市中物聯(lián)網(wǎng)平臺匯聚處理多源傳感設(shè)備數(shù)據(jù)時存在的問題，采用物聯(lián)網(wǎng)設(shè)備虛擬化方法，借助微服務(wù)共享和動態(tài)資源分配技術(shù)，實現(xiàn)了傳感設(shè)備資源數(shù)據(jù)的采集與匯集;Vichare等[9]提出一種制造設(shè)備資源模型UMRM，該模型不僅定義了產(chǎn)品設(shè)計、幾何結(jié)構(gòu)、生成過程等信息，還具有設(shè)備制造過程規(guī)劃與決策等自動化支持能力。

在科技資源信息標(biāo)準(zhǔn)化方面，文獻(xiàn)[2]對科技資源的內(nèi)涵和分類進(jìn)行定義與建模，分析了數(shù)字科技資源集成技術(shù)，提出基于語義本體的科技資源集成框架;文獻(xiàn)[10]以多領(lǐng)域、多渠道、多類型的海量科技資源為研究對象，在分析科技資源共性特征的基礎(chǔ)上，給出了科技資源核心元數(shù)據(jù)規(guī)范;文獻(xiàn)[5]對科技服務(wù)資源池作為虛擬化容器進(jìn)行資源集成的可行性進(jìn)行分析，提出一種科技服務(wù)資源池中科技服務(wù)資源集成與關(guān)聯(lián)優(yōu)化的方法流程。

從上述文獻(xiàn)來看，資源虛擬化技術(shù)已在多個領(lǐng)域進(jìn)行了應(yīng)用，但在科技服務(wù)領(lǐng)域的應(yīng)用相對較少，已有文獻(xiàn)也僅是對科技服務(wù)虛擬資源池的構(gòu)建進(jìn)行可行性分析和方法指導(dǎo)。盡管針對科技服務(wù)資源信息元數(shù)據(jù)、知識語義等模型的研究都取得了較多成果，但鮮有文獻(xiàn)對科技服務(wù)資源語義本體及實例存儲進(jìn)行完整的設(shè)計和實現(xiàn)。本文則將資源虛擬化技術(shù)引入科技服務(wù)領(lǐng)域，構(gòu)建科技服務(wù)資源本體概念和存儲模型，實現(xiàn)語義查詢映射。

2 科技資源虛擬化

資源虛擬化是資源共享和動態(tài)分配的關(guān)鍵[7]。科技資源地理分散、結(jié)構(gòu)不一致，要實現(xiàn)跨區(qū)域、跨系統(tǒng)、跨結(jié)構(gòu)的資源共享，需要根據(jù)各類資源特性構(gòu)造統(tǒng)一的資源描述模型。將不同系統(tǒng)和不同類型的科技資源抽象為粒度較細(xì)的概念及關(guān)系，使異構(gòu)資源描述模型映射為物理或IT服務(wù)資源形式，實現(xiàn)跨系統(tǒng)的資源集成。

2.1 科技資源虛擬化結(jié)構(gòu)

在科技資源虛擬化過程中，需使用一組屬性描述科技資源，標(biāo)識科技資源的功能屬性和非功能屬性。異構(gòu)科技資源有不同的描述屬性，需對科技資源的描述屬性進(jìn)行總結(jié)，找出資源間的共有屬性，并對資源專有屬性使用統(tǒng)一的描述方式，以方便系統(tǒng)統(tǒng)一管理與調(diào)度服務(wù)資源。本文提出的科技資源虛擬化層次結(jié)構(gòu)包括信息服務(wù)/物理資源層、虛擬資源層和資源應(yīng)用層，如圖1所示。

信息服務(wù)/物理資源層主要包括科技服務(wù)、知識產(chǎn)品、科技資訊、科研儀器和實驗器具等各類科技資源，這些分布式科技資源通過互聯(lián)網(wǎng)、無線通訊技術(shù)，以及傳感器及GPS等物聯(lián)網(wǎng)感知技術(shù)，以Web接口的形式接入科技服務(wù)云平臺。

虛擬資源層則根據(jù)科技服務(wù)資源描述規(guī)范對信息服務(wù)/物理資源進(jìn)行形式化定義，分析科技資源屬性信息，統(tǒng)一定義科技服務(wù)資源領(lǐng)域本體與語義，構(gòu)建存儲模型和映射規(guī)則。通過封裝服務(wù)資源查詢、管理等接口，實現(xiàn)對科技服務(wù)資源的訪問。

資源應(yīng)用層通過調(diào)用發(fā)布的Web服務(wù)接口實現(xiàn)科技服務(wù)資源搜索等功能。

2.2 科技資源表示模型

科技資源是科技云服務(wù)系統(tǒng)中搜索的最小單元，其表示模型是科技資源查找、匹配、推薦的基礎(chǔ)，本文中科技資源表示模型定義如下：

TRes={TR_Id，TR_Property，TR_Interface}

其中，TR_Id表示所屬單位科技資源的唯一標(biāo)識，在科技服務(wù)云平臺中，每個服務(wù)資源對應(yīng)一個唯一的由云服務(wù)平臺創(chuàng)建與維護(hù)的通用資源標(biāo)識符URI。TR_Property表示科技服務(wù)資源屬性信息，其模型可表示為：TR_Property={BaseInfo，F(xiàn)uncProp，QosProp}。其中，BaseInfo表示科技資源基本信息，包括資源名稱、資源URL、資源提供者、提供日期、資源狀態(tài)等。服務(wù)資源包括功能和非功能兩方面屬性，F(xiàn)uncProp表示科技資源功能屬性，包括科技服務(wù)、知識產(chǎn)品、科研儀器、科研機構(gòu)等資源類型;QosProp表示科技資源的非功能質(zhì)量屬性信息，可用于服務(wù)資源搜索時的質(zhì)量因素選擇。TR_Interface表示科技資源操作接口，包括資源查詢、編輯和管理等。科技服務(wù)提供者通過開放接口將科技資源注冊到服務(wù)系統(tǒng)中，并對科技服務(wù)資源進(jìn)行統(tǒng)一描述，供科技服務(wù)用戶查詢與調(diào)用。

3 科技資源本體構(gòu)建

本體定義為“概念化的顯式規(guī)范”，用可被機器和人類共同理解的模型描述一個特定領(lǐng)域，模型中定義了領(lǐng)域概念與其之間的關(guān)系[11]。通過提供一組公共關(guān)鍵字以定義與領(lǐng)域相關(guān)概念，關(guān)鍵字描述了每個概念的屬性。同時，通過描述概念之間的關(guān)系定義現(xiàn)實意義。本體概念可按層次結(jié)構(gòu)進(jìn)行組織，例如：超類/子類或父/子關(guān)系等。

本體模型的構(gòu)建不僅可揭示科技信息數(shù)據(jù)之間的內(nèi)在聯(lián)系，明確表達(dá)知識含義，還可增強知識內(nèi)容的共享性和可重用性[12]。本文定義的科技資源領(lǐng)域本體如圖2所示，圖中包括科技資源功能屬性、非功能QoS屬性及其之間的層次關(guān)系，表1列出了科技資源本體類及說明。

科技資源按照功能可劃分為科技服務(wù)、知識產(chǎn)品、科技資訊、科研儀器、實驗裝置、科研機構(gòu)、人力資源7大類。其中，科技服務(wù)包括科技查新檢索、科技咨詢、工業(yè)設(shè)計、技術(shù)評估、技術(shù)開發(fā)、成果轉(zhuǎn)化等;知識產(chǎn)品包括科技論文、專利、技術(shù)標(biāo)準(zhǔn)、知識數(shù)據(jù)庫等;科技咨詢包括政策法規(guī)、科研進(jìn)展、行業(yè)資訊等;科研儀器包括可用設(shè)備、儀器、系統(tǒng)平臺等;實驗器具包括實驗試劑、耗材、種質(zhì)資源等;科研機構(gòu)包括科技服務(wù)機構(gòu)、大學(xué)、企業(yè)研究機構(gòu)、實驗室、中試基地、工程研究中心等;人力資源包括科技服務(wù)人員、科技活動人員等。

科技資源按照QoS特征分為業(yè)務(wù)能力和技術(shù)能力兩類。其中，業(yè)務(wù)能力包括用戶滿意度/聲譽、經(jīng)濟因素（免費/固定付費/動態(tài)付費）、互操作性（容易/適中/難）等;技術(shù)能力包括性能（響應(yīng)時間/吞吐量/計算精度）、穩(wěn)定性（帶寬/延遲）、健壯性（弱/一般/強）、安全能力（加密/VPN/無）、可用性（修復(fù)時間）等。

構(gòu)建本體模型主要是設(shè)計概念類集合、屬性集合和關(guān)系集合，概念類層次結(jié)構(gòu)定義了科技資源實體的整體框架。為進(jìn)一步描述概念類的內(nèi)部關(guān)系，需用數(shù)值屬性Datatype Property描述類性質(zhì)，例如定義“專利”的屬性，包括專利權(quán)人、授權(quán)日期、名稱、授權(quán)專利號等屬性信息，并用對象屬性O(shè)bject Property描述概念類之間的語義關(guān)系。以科技成果轉(zhuǎn)化業(yè)務(wù)作為場景，如某科研機構(gòu)擁有與科研成果A相關(guān)的專利，以及與該專利A相關(guān)的科研儀器、平臺、專家等科技資源可供需求方單位使用。該業(yè)務(wù)中科技資源功能本體關(guān)系如圖3所示。其中，實驗室機構(gòu)與專利資源之間具有“擁有版權(quán)（hasCopyright）”的關(guān)系，實驗室機構(gòu)與專家資源之間具有“工作于（workAt）”的關(guān)系，專利與系統(tǒng)平臺、科研儀器及科研專家之間具有“相關(guān)（relateTo）”關(guān)系。該業(yè)務(wù)的非功能本體關(guān)系如圖4所示，相關(guān)科技資源均具有資源基本信息（hasBaseInfo），實驗室機構(gòu)資源具有QoS聲譽屬性（hasReputationProp），專利和科研專家資源具有QoS經(jīng)濟因素屬性（hasEconomicsProp），系統(tǒng)平臺資源具有QoS性能 （hasPerformanceProp）和經(jīng)濟因素屬性（hasEconomicsProp），科研儀器具有QoS穩(wěn)定性屬性（hasStabilityProp）。

4 科技資源存儲與訪問映射

4.1 科技資源存儲模型

本體和數(shù)據(jù)庫模型均可表達(dá)與存儲知識，但兩種模型關(guān)注點不同[13]。本體通過高層抽象的方式重點解決異質(zhì)系統(tǒng)交互、知識共享和信息融合等問題，支持概念之間的語義表達(dá)，關(guān)注數(shù)據(jù)內(nèi)涵;數(shù)據(jù)庫重點解決高性能數(shù)據(jù)存儲、便捷查詢等數(shù)據(jù)管理問題，可提供結(jié)構(gòu)化的存儲庫，關(guān)注實例數(shù)據(jù)存儲?？紤]兩種模型的優(yōu)勢，本文針對科技資源存儲，采用兩種模型相結(jié)合的方式，利用關(guān)系型數(shù)據(jù)庫存儲科技資源實例以及相關(guān)的非功能性數(shù)據(jù)，通過功能本體和非功能本體提高語義查詢效率。

在關(guān)系型數(shù)據(jù)模型構(gòu)建過程中，每個科技資源功能本體用4個字段表示，其中主鍵字段代表功能本體概念的唯一性，其它3個字段分別對應(yīng)本體概念基本信息、業(yè)務(wù)質(zhì)量屬性和技術(shù)質(zhì)量屬性。例如，科技成果轉(zhuǎn)化業(yè)務(wù)場景中的數(shù)據(jù)模型如圖5所示，5個功能本體均包括1個主鍵屬性與3個外鍵屬性，3個外鍵分別對應(yīng)功能本體實例的基本信息ID、業(yè)務(wù)質(zhì)量ID和技術(shù)質(zhì)量ID。數(shù)據(jù)模型表結(jié)構(gòu)中的主鍵均按照本體概念名加_ID的規(guī)則進(jìn)行命名。

4.2 科技資源訪問映射

基于本體的科技資源訪問優(yōu)勢是可以進(jìn)行語義檢索，避免僅依靠字面匹配造成的誤差，提高資源發(fā)現(xiàn)與服務(wù)能力[14]。要實現(xiàn)從關(guān)系數(shù)據(jù)庫實例數(shù)據(jù)中進(jìn)行語義查找，必須建立本體檢索到數(shù)據(jù)庫的訪問映射。本文建立的映射關(guān)系過程如圖6所示。

圖6中使用Ontop工具完成從本體檢索到數(shù)據(jù)庫實例的映射訪問。Ontop是一個虛擬知識圖形系統(tǒng)，可將現(xiàn)有關(guān)系數(shù)據(jù)庫虛擬化為知識圖譜，具有將SPARQL查詢轉(zhuǎn)換為SQL查詢的能力[15]。實現(xiàn)語義查找的關(guān)鍵是定義科技資源訪問映射規(guī)則，這些規(guī)則將本體概念與數(shù)據(jù)庫表屬性建立鏈接關(guān)系，將存儲在數(shù)據(jù)庫中的數(shù)據(jù)轉(zhuǎn)換為RDF三元組集合，每個三元組包括資源URI引用、屬性和屬性值。例如，概念Reputation的每個本體實例對應(yīng)兩個三元組，資源URI引用表示為“”，或者添加前綴“：”表示為“：Reputation_ID_10”，屬性表示為“rdf：type”和“：QoSValue”，屬性值表示為“：Reputation”和“8”，如表2所示。

Ontop支持SPARQL語法，可將SPARQL查詢映射為關(guān)系數(shù)據(jù)庫SQL查詢，實現(xiàn)對數(shù)據(jù)實例的查詢。表3列出了科技成果轉(zhuǎn)化業(yè)務(wù)場景中科技資源訪問映射的部分規(guī)則，其中“：”代表前綴“

5 測試運行

本文使用Protégé工具進(jìn)行科技資源本體建模，并使用微軟的關(guān)系型數(shù)據(jù)庫SQL Server存儲本體實例。Protégé安裝Ontop插件后，在工具欄中增加了用于數(shù)據(jù)源和規(guī)則映射配置的Ontop Mappings選項卡與用于查詢管理的Ontop SPARQL選項卡。配置數(shù)據(jù)源連接參數(shù)后，通過Mapping manager加入映射規(guī)則。從運行結(jié)果來看，構(gòu)建的科技資源本體和存儲模型可以有效實現(xiàn)資源的語義查詢。

6 結(jié)語

科技資源集成與共享是國家科技服務(wù)發(fā)展的基礎(chǔ)，本文定義了科技服務(wù)資源虛擬池框架，分析了科技服務(wù)資源的功能屬性和非功能屬性，給出了科技服務(wù)資源的領(lǐng)域本體和語義定義，研究了科技資源實例存儲技術(shù)，定義了科技服務(wù)資源的統(tǒng)一存儲模型和SPARQL語義查詢映射規(guī)則，為跨區(qū)域科技服務(wù)共享云平臺建設(shè)提供了有力支撐。下一步工作將結(jié)合業(yè)務(wù)場景完善領(lǐng)域本體與存儲模型，研究映射規(guī)則的自動化定義算法，提高工作效率，研究科技服務(wù)資源選擇與搜索技術(shù)，封裝資源查詢與管理接口，搭建科技服務(wù)資源共享云平臺。

參考文獻(xiàn)：

[1] WU H C， HU S Y. An overview of cross-regional collaborative innovation[C]. 2019 3rd International Conference on Advanced Education and Management Science，2019：277-282.

[2] 宮萍，王理，張輝，等. 基于語義本體的科技資源集成建模研究[J]. 標(biāo)準(zhǔn)科學(xué)，2019（3）：36-40.

[3] 王宏起，程淑娥，李玥. 大數(shù)據(jù)環(huán)境下區(qū)域科技資源共享平臺云服務(wù)模式研究[J]. 情報理論與實踐，2017，40（3）：42-47.

[4] SAHOO J，MOHAPATRA S，LATH R. Virtualization： a survey on concepts， taxonomy and associated security issues[C]. Second International Conference on Computer & Network Technology，2010：222-226.

[5] 李宗俊，陳文杰. 區(qū)域科技服務(wù)資源集成與關(guān)聯(lián)研究[J]. 中國科技資源導(dǎo)刊，2019，51（6）：1-5，58.

[6] LIU X F，SHAHRIAR M R，Al SUNNY S M N，et al. Cyber-physical manufacturing cloud： Architecture， virtualization， communication， and testbed[J]. Journal of Manufacturing Systems，2017，43：352-364.

[7] LI W，ZHONG Y，WANG X，et al. Resource virtualization and service selection in cloud logistics[J].? Journal of Network and Computer Applications， 2013， 36（6）：1696-1704.

[8] OGAWA K， KANAI K， NAKAMURA K， et al. IoT device virtualization for efficient resource utilization in smart city IoT platform[C]. 2019 IEEE International Conference on Pervasive Computing and Communications Workshops （PerCom Workshops）， 2019： 419-422.

[9] VICHARE P，NASSEHI A，KUMAR S， et al. A unified manufacturing resource model for representing CNC machining systems[J].? Robotics and Computer-Integrated Manufacturing，2009， 25（6）：999-1007.

[10] 宋佳，高少華，楊杰，等. 科技資源元數(shù)據(jù)的關(guān)聯(lián)與推薦方法[J]. 中國科技資源導(dǎo)刊，2017，49（5）：37-44，103.

[11] STAAB S， STUDER R. Handbook on ontologies （international handbooks on information systems）[M]. Berlin：Springer-Verlag，2004.

[12] WONGTHONTHAM P，ABUSALIH B.? Ontology-based approach for semantic data extraction from social big data： state-of-the-art and research directions[J].? Journal of Organizational Computing & Electronic Commerce， 2018，28（4）：354-377.

[13] SIR M， BRADAC Z， FIEDLER P. Ontology versus database[J].? IFAC Papersonline， 2015， 48（4）：220-225.

[14] 宋培彥，陳白雪，賢信. 科技專家信息語義模型構(gòu)建及實證研究[J]. 情報理論與實踐，2017，40（9）：123-128.

[15] Free University of Bozen-Bolzano.Ontop[EB/OL]. https：//ontop.inf.unibz.it/.

（責(zé)任編輯：黃 健）

0 引言

純電動汽車的應(yīng)用可以緩解能源短缺、環(huán)境污染等問題，因此各企業(yè)越來越重視純電動汽車生產(chǎn)、技術(shù)和銷售方面的創(chuàng)新。純電動汽車銷售量也日益增長，根據(jù)前瞻產(chǎn)業(yè)研究院報告顯示，2019年上半年純電動汽車全球銷售量增長了92%，達(dá)到76.5萬輛，中國市場銷售量為43.07萬輛，同比增長了111%。由銷量數(shù)據(jù)可以看出，純電動汽車市場發(fā)展前景是可觀的。因此，純電動汽車研發(fā)與推廣依然是新能源汽車重要的研究方向。近年來在政府與企業(yè)的共同努力下，電動汽車在生產(chǎn)成本、行駛里程、資金投入與使用等關(guān)鍵問題上獲得了重大突破[1]。對純電動汽車月度銷售量進(jìn)行預(yù)測，能為企業(yè)科學(xué)制定汽車產(chǎn)量提供依據(jù)。

影響電動汽車銷售量的因素眾多，且復(fù)雜多變，通常具有非線性變化特性，導(dǎo)致傳統(tǒng)線性映射模型對純電動汽車銷售量的預(yù)測精度較低[1]。因此，很多學(xué)者采用基于非線性模型的預(yù)測方法。如董麗麗等[2]利用LSTM神經(jīng)網(wǎng)絡(luò)對煤礦突水情況進(jìn)行預(yù)測;劉璐等[3]利用SVM對煙草銷售量進(jìn)行預(yù)測等。為了實現(xiàn)更好的預(yù)測效果，將多種預(yù)測方法相結(jié)合也成為當(dāng)前的研究熱點[4-5]。如李軍懷等[6]提出借助馬爾可夫鏈修正指數(shù)平滑的方法預(yù)測短時交通流量，以提高預(yù)測精度;黃羹墻等[7]首先利用BP神經(jīng)網(wǎng)絡(luò)模型對短期電價進(jìn)行初步預(yù)測，再用馬爾可夫模型對預(yù)測誤差進(jìn)行修正，可提高短期電價預(yù)測精度;石萍等[8]考慮電動汽車銷量的季節(jié)性變化因素，運用組合模型預(yù)測新能源電動汽車銷售量;周彥福等[9]先利用灰色關(guān)聯(lián)分析8種影響銷售量的因素，再構(gòu)建果蠅算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)（FOA-GNN）預(yù)測模型進(jìn)行新能源汽車月度銷售量預(yù)測，通過對比預(yù)測結(jié)果，顯示該模型具有較高的預(yù)測精度。

在之前的研究中，提取純電動汽車銷售量影響因素時并未考慮消費者預(yù)期指數(shù)、消費者滿意指數(shù)、企業(yè)家信心指數(shù)和煤油電價格指數(shù)等因素，本文將這些因素考慮在內(nèi)，利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測純電動汽車銷售量，再根據(jù)馬爾科夫鏈修正預(yù)測結(jié)果，以進(jìn)一步提高預(yù)測精度。

1 BP神經(jīng)網(wǎng)絡(luò)與馬爾科夫模型

1.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是1986年由以Rumelhart&McCelland為首的科學(xué)家小組提出的，是一種利用誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，因其具有簡單易行、計算量小、并行性強等優(yōu)點，成為目前應(yīng)用比較廣泛的一種神經(jīng)網(wǎng)絡(luò)模型[10-11]。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成（見圖1）。在網(wǎng)絡(luò)訓(xùn)練過程中，通過將輸出層與實際輸出樣本之間的誤差經(jīng)過各隱含層反向傳遞到輸入層，逐層計算各層神經(jīng)元誤差，然后根據(jù)誤差梯度下降法調(diào)節(jié)各層權(quán)值和閾值，使修改后網(wǎng)絡(luò)最終輸出能接近期望值[12-14]。

1.1.1 信號前向傳播過程

設(shè)網(wǎng)絡(luò)輸入模式為xx1，x2，…，xnT，隱含層有h個單元，其輸出為y=（y1，y2，…，yh）T，輸出層有m個單元，其輸出為z=（z1，z2，…，zm）T，目標(biāo)輸出為t=（t1，t2，…，tm）T，隱含層到輸出層的傳遞函數(shù)為f，輸出層傳遞函數(shù)為g。計算公式如下：

yj=fi=1nwijxi-θ=fi=0nwijxi? ? ? ? ?（1）

式中，yj表示隱含層第j個神經(jīng)元的輸出，w為權(quán)重向量，w0j=θ，x0=-1。f為激活函數(shù)，一般選取s型函數(shù)。

fx=11+e-ax，（0

zk=g（j=0hwjkyj）? ? ? ? ? （3）

式中，zk表示輸出層第k個神經(jīng)元的輸出。此時網(wǎng)絡(luò)輸出與目標(biāo)輸出的誤差為：

ε=12k=1m（tk-zk）2? ? ? ? ? ? ? ? ? ? ? ? （4）

由于負(fù)梯度方向是函數(shù)值減小最快的方向[11]，因此可設(shè)定一個步長η，每次沿負(fù)梯度方向調(diào)整η個單位，即每次權(quán)值的調(diào)整為：

Δwpq=-η？ε？wpq? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

其中，η為學(xué)習(xí)速率。

1.1.2 誤差反向傳播

隱含層到輸出層的權(quán)值調(diào)整迭代公式為：

wjkt+1=wjkt+ηδkyj? ? ? ? ? ? ? ? ?（6）

從輸入層到隱含層的權(quán)值調(diào)整迭代公式為：

wijt+1=wijt+ηδjxj? ? ? ? ? ? ? ? ? （7）

1.2 馬爾科夫鏈預(yù)測模型

馬爾科夫過程用于研究一個系統(tǒng)的狀況及其轉(zhuǎn)移，是一種常見的簡單隨機過程。其通過對不同狀態(tài)初始概率以及狀態(tài)之間轉(zhuǎn)移概率的研究，確定狀態(tài)變化趨勢，從而達(dá)到預(yù)測未來的目的[10]，具有無后效性、遍歷性和過程隨機性。應(yīng)用馬爾科夫（Markov）模型對BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測數(shù)據(jù)進(jìn)行處理，可提高預(yù)測精度。

1.2.1 馬爾科夫鏈

時間和狀態(tài)都是離散的馬爾科夫過程稱為馬爾科夫鏈[10]。假設(shè)馬爾科夫鏈有n個狀態(tài)，則狀態(tài)概率向量為α=α1，α2，…，αn，公式為：

αn=α0pn? ? ? ? ? （8）

式中，αn、α0分別表示n時刻和初始時刻的狀態(tài)概率向量，p表示狀態(tài)轉(zhuǎn)移概率矩陣。

1.2.2 初始狀態(tài)概率與狀態(tài)轉(zhuǎn)移概率矩陣

（1）初始狀態(tài)概率。用Mi表示Ej型狀態(tài)出現(xiàn)的總次數(shù)，則初始概率為：

α（0）i≈Fi=Mii=1nMi（i=1，2，…，n）? ? ? ? ? （9）

（2）狀態(tài)轉(zhuǎn)移概率。如果研究對象處于Ei，下一步轉(zhuǎn)移到Ej，此過程共發(fā)生nij次，則：

pij=nijni，i，j=1，2，…，n

0≤pij≤1，j=1npij=1? ? ? ? ? ? ?（10）

（3）狀態(tài)轉(zhuǎn)移概率矩陣。根據(jù)狀態(tài)轉(zhuǎn)移概率得出狀態(tài)轉(zhuǎn)移概率矩陣為：

P=P11P12？P1nP21P22？P2n？Pn1？Pn2？？？Pnn，

0≤pij≤1，j=1npij=1? ? ? ? ? ? ? ? ? ? ? ? ? ? （11）

1.2.3 馬爾科夫鏈修正BP神經(jīng)網(wǎng)絡(luò)預(yù)測值

將BP神經(jīng)網(wǎng)絡(luò)預(yù)測值與實際值的相對誤差劃分為不同狀態(tài)，αn為時刻n的狀態(tài)概率向量，αn中最大概率值對應(yīng)的狀態(tài)Ej為預(yù)測時刻所對應(yīng)的狀態(tài)，則修正后的預(yù)測結(jié)果為：

e*=ea+eb2? ? ? ? ? ? ? ? ? ? ? （12）

Q*=Qx（1+e*）? ? ? ? ? ? ? ? ?（13）

式中，ea、eb為狀態(tài)區(qū)間上下界，Qx為BP神經(jīng)網(wǎng)絡(luò)預(yù)測的純電動汽車銷售量。

2 數(shù)據(jù)來源及預(yù)處理

數(shù)據(jù)樣本的選取是影響B(tài)P神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果的關(guān)鍵因素，因此選取純電動汽車銷售量的影響因素要與純電動汽車銷售量具有高相關(guān)性。煤油電價格指數(shù)和中國汽油價格可反映純電動汽車銷售趨勢，居民消費價格指數(shù)可反映居民消費水平的高低，消費者滿意指數(shù)與預(yù)期指數(shù)代表著消費者的滿意度與期望，企業(yè)家信心指數(shù)影響企業(yè)管理模式與電動汽車產(chǎn)銷模式，這些因素都能綜合反映純電動汽車銷量情況。因此，本文選取中國居民消費價格指數(shù)、煤油電價格指數(shù)、消費者滿意指數(shù)、消費者預(yù)期指數(shù)、消費者信心指數(shù)、中國汽油價格、企業(yè)家信心指數(shù)作為影響純電動汽車銷售量的主要因素。

本文通過東方財富網(wǎng)數(shù)據(jù)中心搜集到2017年1月-2019年9月各影響因素相關(guān)數(shù)據(jù)，并在前瞻產(chǎn)業(yè)研究院查詢到33個月份的純電動汽車銷售量。采取的樣本數(shù)據(jù)中各因素評價標(biāo)準(zhǔn)不同，通常具有不同的量綱和數(shù)量級，需要對原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理以確保結(jié)果的可靠性。而且本文BP神經(jīng)網(wǎng)絡(luò)采用s型函數(shù)，通過歸一化能夠防止神經(jīng)元輸出飽和現(xiàn)象，使網(wǎng)絡(luò)快速收斂。因此，首先在MATLAB中對以上7個影響因素進(jìn)行數(shù)據(jù)歸一化處理到[0，1]區(qū)間。

x'=x-xminxmax-xmin? ? ? ? ? ? ? ? ? （14）

3 模型分析與修正結(jié)果

BP神經(jīng)網(wǎng)絡(luò)為縮短網(wǎng)絡(luò)訓(xùn)練時間與提高訓(xùn)練精度，通常選擇較少的隱含層結(jié)點數(shù)[7]。本文選取學(xué)習(xí)率lr=0.000 1，最大訓(xùn)練次數(shù)epochs=10 000，收斂誤差goal=1e-3，隱含層神經(jīng)元結(jié)點數(shù)為9，訓(xùn)練函數(shù)為trainlm。訓(xùn)練網(wǎng)絡(luò)中將輸入數(shù)據(jù)的70%作為訓(xùn)練集，15%作為測試集，15%用來進(jìn)行模型預(yù)測[15]，仿真結(jié)果如圖2所示。運用BP神經(jīng)網(wǎng)絡(luò)對2017-2018年24個月的純電動汽車銷售量進(jìn)行預(yù)測，其實際值與預(yù)測值相對誤差如表1所示。將相對誤差分為6個狀態(tài)，分別為：E1：-35%～-20%，E2：-20%～-5%，E3：-5%～10%，E4：10%～25%，E5：25%～40%，E6：40%～55%。

根據(jù)相對誤差劃分狀態(tài)，利用馬爾科夫進(jìn)行優(yōu)化，由上述的馬爾科夫模型可求得一次狀態(tài)轉(zhuǎn)移概率為：

P1=03/401/92/94/91/30001/20011/6010? 01/401/901/9000000000100? ? ? ? ? ? （15）

將2018年12月作為初始狀態(tài)α0=010000，根據(jù)馬爾科夫原理可求得2019年1月狀態(tài)為α1=α0？P1=1/92/94/91/901/9，則所處狀態(tài)為E3，對應(yīng)相對誤差為（-5%+10%）/2=2.5%，Markov-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值為6.35×1+2.5%=6.51。同理，利用Markov-BP神經(jīng)網(wǎng)絡(luò)模型可得出2019年2月-9月的純電動汽車預(yù)測值，如表2所示。

從BP神經(jīng)網(wǎng)絡(luò)模型與Markov-BP神經(jīng)網(wǎng)絡(luò)模型對純電動汽車銷售量預(yù)測的相對誤差對比可以發(fā)現(xiàn)，Markov-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值的相對誤差更小，因而提高了預(yù)測準(zhǔn)確度。

4 結(jié)語

在提倡綠色發(fā)展的大背景下，政府支持純電動汽車的研發(fā)與推廣，但現(xiàn)階段純電動汽車的銷售情況并不樂觀。因此，對純電動汽車銷售量進(jìn)行準(zhǔn)確預(yù)測，可以減少資源浪費，降低企業(yè)成本。本文選取影響純電動汽車銷售量的7個關(guān)鍵因素，利用BP神經(jīng)網(wǎng)絡(luò)模型對現(xiàn)有數(shù)據(jù)進(jìn)行訓(xùn)練，用測試好的模型預(yù)測2019年1月-9月純電動汽車銷售量，再用馬爾科夫（Markov）模型修正其預(yù)測值。通過對比發(fā)現(xiàn)，Markov-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度更高，可有效彌補BP神經(jīng)網(wǎng)絡(luò)預(yù)測的不足。但本文選取的純電動汽車銷售量影響因素不夠全面，未結(jié)合純電動汽車價格及相應(yīng)技術(shù)指標(biāo)進(jìn)行綜合考慮。因此，充分考慮這些影響因素，并找到更合適的純電動汽車銷售量預(yù)測模型，是下一步的研究方向。

參考文獻(xiàn)：

[1] 孫婷婷，沈毅，趙亮. 一種基于BP神經(jīng)網(wǎng)絡(luò)的房價預(yù)測模型[J]. 電腦知識與技術(shù)，2019，15（28）：215-218.

[2] 董麗麗，費城，張翔，等. 基于LSTM神經(jīng)網(wǎng)絡(luò)的煤礦突水預(yù)測[J]. 煤田地質(zhì)與勘探，2019，47（2）：137-143.

[3] 劉璐，丁福利，孫立民. 基于SVM的煙草銷售量預(yù)測[J]. 軟件導(dǎo)刊，2016，15（11）：134-137.

[4] 張茜，馮民權(quán). 基于BP神經(jīng)網(wǎng)絡(luò)馬爾科夫模型的漳澤水庫水質(zhì)預(yù)測[J]. 黑龍江大學(xué)工程學(xué)報，2018，9（2）：38-44.

[5] 王保賢，劉毅. 基于灰色BP神經(jīng)網(wǎng)絡(luò)模型的人力資源需求預(yù)測方法[J]. 統(tǒng)計與決策，2018，34（16）：181-184.

[6] 李軍懷，高瞻，王志曉，等. 基于指數(shù)平滑和馬爾可夫鏈的短時交通流量預(yù)測[J]. 計算機系統(tǒng)應(yīng)用，2013，22（12）：132-135.

[7] 黃羹墻，楊俊杰. 基于BP神經(jīng)網(wǎng)絡(luò)與馬爾可夫鏈的短期電價預(yù)測[J]. 上海電力學(xué)院學(xué)報，2017，33（1）：1-3，10.

[8] 石萍，黎俊輝，劉洪. 新能源電動車銷量預(yù)測模型的應(yīng)用[J]. 遼寧科技大學(xué)學(xué)報，2016，39（5）：395-400.

[9] 周彥福，王紅蕾. 我國新能源汽車月度銷售量預(yù)測模型研究[J]. 軟件導(dǎo)刊，2019，18（8）：149-153.

[10] 陳娟，曹沁愉. 基于馬爾科夫鏈對BP神經(jīng)網(wǎng)絡(luò)法殘差修正模型的短期風(fēng)電功率預(yù)測[J]. 電力與能源，2017，38（5）：567-570.

[11] 王奕翔，陳濟穎，王晟全，等. 基于改進(jìn)型RF-BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)價格預(yù)測[J]. 工業(yè)控制計算機，2019，32（10）：122-124.

[12] 陳廣銀，蔡灝兢，姜欣. 馬爾可夫修正的BP神經(jīng)網(wǎng)絡(luò)在PM2.5預(yù)測中的應(yīng)用[J]. 能源環(huán)境保護(hù)，2017，31（5）：8-11.

[13] WANG H，XU L，WANG X. Outage probability performance prediction for mobile cooperative communication networks based on artificial neural network[J]. Sensors，2019，19（21）：4789-4805.

[14] 徐森. 基于BP神經(jīng)網(wǎng)絡(luò)的甘肅省公路客運量預(yù)測方法[J]. 交通與運輸，2019，35（5）：28-31.

[15] 王筱欣，高攀. 基于BP神經(jīng)網(wǎng)絡(luò)的重慶市房價驗證與預(yù)測[J]. 重慶理工大學(xué)學(xué)報（社會科學(xué)），2016，30（9）：49-53.

（責(zé)任編輯：黃 ?。?/p>

科技資源對科技產(chǎn)業(yè)和區(qū)域經(jīng)濟發(fā)展起到支撐性作用，隨著區(qū)域一體化的不斷推進(jìn)，跨區(qū)域科技協(xié)作已十分普遍。在此情況下，全鏈條、跨區(qū)域的科技服務(wù)需求尤為迫切[1]。當(dāng)前各個城市區(qū)域的科技服務(wù)資源仍存在分散不均、效率低下、資源信息不統(tǒng)一、信息平臺間缺乏共享渠道等問題，已無法適應(yīng)社會經(jīng)濟發(fā)展需求[2]。為突破科技服務(wù)現(xiàn)狀，提供跨區(qū)域、便捷、高效的科技服務(wù)，并促進(jìn)科技服務(wù)向高端邁進(jìn)，需構(gòu)建新型科技服務(wù)云平臺。

基于云計算的科技服務(wù)平臺是為科技服務(wù)用戶和管理者提供的一種新型服務(wù)模式，通過構(gòu)建跨網(wǎng)絡(luò)的虛擬資源池動態(tài)配置業(yè)務(wù)組合，滿足用戶復(fù)雜、個性化的科技服務(wù)需求?？萍假Y源具有類型多樣性、跨域性、異質(zhì)性等特點，使得科技服務(wù)云平臺中的資源共享與利用變得更加復(fù)雜[3]。為此，本文提出一種科技服務(wù)資源虛擬化與存儲方法，通過資源抽象、表示建模、領(lǐng)域知識本體定義、建模存儲、映射規(guī)則定義等處理過程，將各類科技服務(wù)資源存入集中統(tǒng)一定義與管理的資源池中，解決不同服務(wù)資源之間的異構(gòu)性問題，最終實現(xiàn)科技資源的集成與共享。

1 相關(guān)研究

虛擬化是對計算機資源的抽象，通過對異質(zhì)、自治資源的聚合，為用戶和應(yīng)用提供統(tǒng)一的集成操作平臺，達(dá)到提升資源利用率的目的[4]。早期，虛擬化技術(shù)主要應(yīng)用于操作系統(tǒng)、存儲和網(wǎng)絡(luò)資源等方面。近年來，隨著云計算、物聯(lián)網(wǎng)技術(shù)的發(fā)展，虛擬化技術(shù)在智能制造、智慧物流和智慧城市等領(lǐng)域得到了廣泛應(yīng)用，在提升系統(tǒng)靈活性和使用價值方面發(fā)揮了重要作用。在科技服務(wù)領(lǐng)域，虛擬化技術(shù)將各類科技服務(wù)資源聚集到資源池中，不僅可以降低區(qū)域內(nèi)科技服務(wù)資源的獲取難度，還可通過服務(wù)資源組合促進(jìn)區(qū)域內(nèi)科技服務(wù)資源的共建共享與合理配置，降低資源獲取成本，提高科技服務(wù)資源利用率等[5]。資源虛擬化一般包括兩個階段：①分析資源特征，定義服務(wù)資源統(tǒng)一表達(dá)模型和存儲模型;②采用Web服務(wù)描述技術(shù)封裝資源。本文重點關(guān)注第一階段。

近年來，很多學(xué)者也對資源虛擬化技術(shù)進(jìn)行了研究。如Liu等[6]提出一種面向服務(wù)的可擴展信息物理云制造（Cyber-Physical Manufacturing Cloud，CPMC）平臺體系結(jié)構(gòu)，利用虛擬化技術(shù)對異質(zhì)、復(fù)雜的制造資源進(jìn)行匯聚與封裝，應(yīng)用于多種不同的制造場景，實現(xiàn)跨區(qū)域制造協(xié)同;Li等[7]基于云計算與物聯(lián)網(wǎng)技術(shù)提出一種新型物流服務(wù)模式，研究了物流服務(wù)平臺的資源虛擬化和服務(wù)封裝，實現(xiàn)了支持服務(wù)質(zhì)量約束的物流服務(wù)選擇算法;Ogawa等[8]針對智慧城市中物聯(lián)網(wǎng)平臺匯聚處理多源傳感設(shè)備數(shù)據(jù)時存在的問題，采用物聯(lián)網(wǎng)設(shè)備虛擬化方法，借助微服務(wù)共享和動態(tài)資源分配技術(shù)，實現(xiàn)了傳感設(shè)備資源數(shù)據(jù)的采集與匯集;Vichare等[9]提出一種制造設(shè)備資源模型UMRM，該模型不僅定義了產(chǎn)品設(shè)計、幾何結(jié)構(gòu)、生成過程等信息，還具有設(shè)備制造過程規(guī)劃與決策等自動化支持能力。

在科技資源信息標(biāo)準(zhǔn)化方面，文獻(xiàn)[2]對科技資源的內(nèi)涵和分類進(jìn)行定義與建模，分析了數(shù)字科技資源集成技術(shù)，提出基于語義本體的科技資源集成框架;文獻(xiàn)[10]以多領(lǐng)域、多渠道、多類型的海量科技資源為研究對象，在分析科技資源共性特征的基礎(chǔ)上，給出了科技資源核心元數(shù)據(jù)規(guī)范;文獻(xiàn)[5]對科技服務(wù)資源池作為虛擬化容器進(jìn)行資源集成的可行性進(jìn)行分析，提出一種科技服務(wù)資源池中科技服務(wù)資源集成與關(guān)聯(lián)優(yōu)化的方法流程。

從上述文獻(xiàn)來看，資源虛擬化技術(shù)已在多個領(lǐng)域進(jìn)行了應(yīng)用，但在科技服務(wù)領(lǐng)域的應(yīng)用相對較少，已有文獻(xiàn)也僅是對科技服務(wù)虛擬資源池的構(gòu)建進(jìn)行可行性分析和方法指導(dǎo)。盡管針對科技服務(wù)資源信息元數(shù)據(jù)、知識語義等模型的研究都取得了較多成果，但鮮有文獻(xiàn)對科技服務(wù)資源語義本體及實例存儲進(jìn)行完整的設(shè)計和實現(xiàn)。本文則將資源虛擬化技術(shù)引入科技服務(wù)領(lǐng)域，構(gòu)建科技服務(wù)資源本體概念和存儲模型，實現(xiàn)語義查詢映射。

2 科技資源虛擬化

資源虛擬化是資源共享和動態(tài)分配的關(guān)鍵[7]。科技資源地理分散、結(jié)構(gòu)不一致，要實現(xiàn)跨區(qū)域、跨系統(tǒng)、跨結(jié)構(gòu)的資源共享，需要根據(jù)各類資源特性構(gòu)造統(tǒng)一的資源描述模型。將不同系統(tǒng)和不同類型的科技資源抽象為粒度較細(xì)的概念及關(guān)系，使異構(gòu)資源描述模型映射為物理或IT服務(wù)資源形式，實現(xiàn)跨系統(tǒng)的資源集成。

2.1 科技資源虛擬化結(jié)構(gòu)

在科技資源虛擬化過程中，需使用一組屬性描述科技資源，標(biāo)識科技資源的功能屬性和非功能屬性。異構(gòu)科技資源有不同的描述屬性，需對科技資源的描述屬性進(jìn)行總結(jié)，找出資源間的共有屬性，并對資源專有屬性使用統(tǒng)一的描述方式，以方便系統(tǒng)統(tǒng)一管理與調(diào)度服務(wù)資源。本文提出的科技資源虛擬化層次結(jié)構(gòu)包括信息服務(wù)/物理資源層、虛擬資源層和資源應(yīng)用層，如圖1所示。

信息服務(wù)/物理資源層主要包括科技服務(wù)、知識產(chǎn)品、科技資訊、科研儀器和實驗器具等各類科技資源，這些分布式科技資源通過互聯(lián)網(wǎng)、無線通訊技術(shù)，以及傳感器及GPS等物聯(lián)網(wǎng)感知技術(shù)，以Web接口的形式接入科技服務(wù)云平臺。

虛擬資源層則根據(jù)科技服務(wù)資源描述規(guī)范對信息服務(wù)/物理資源進(jìn)行形式化定義，分析科技資源屬性信息，統(tǒng)一定義科技服務(wù)資源領(lǐng)域本體與語義，構(gòu)建存儲模型和映射規(guī)則。通過封裝服務(wù)資源查詢、管理等接口，實現(xiàn)對科技服務(wù)資源的訪問。

資源應(yīng)用層通過調(diào)用發(fā)布的Web服務(wù)接口實現(xiàn)科技服務(wù)資源搜索等功能。

2.2 科技資源表示模型

科技資源是科技云服務(wù)系統(tǒng)中搜索的最小單元，其表示模型是科技資源查找、匹配、推薦的基礎(chǔ)，本文中科技資源表示模型定義如下：

TRes={TR_Id，TR_Property，TR_Interface}

其中，TR_Id表示所屬單位科技資源的唯一標(biāo)識，在科技服務(wù)云平臺中，每個服務(wù)資源對應(yīng)一個唯一的由云服務(wù)平臺創(chuàng)建與維護(hù)的通用資源標(biāo)識符URI。TR_Property表示科技服務(wù)資源屬性信息，其模型可表示為：TR_Property={BaseInfo，F(xiàn)uncProp，QosProp}。其中，BaseInfo表示科技資源基本信息，包括資源名稱、資源URL、資源提供者、提供日期、資源狀態(tài)等。服務(wù)資源包括功能和非功能兩方面屬性，F(xiàn)uncProp表示科技資源功能屬性，包括科技服務(wù)、知識產(chǎn)品、科研儀器、科研機構(gòu)等資源類型;QosProp表示科技資源的非功能質(zhì)量屬性信息，可用于服務(wù)資源搜索時的質(zhì)量因素選擇。TR_Interface表示科技資源操作接口，包括資源查詢、編輯和管理等。科技服務(wù)提供者通過開放接口將科技資源注冊到服務(wù)系統(tǒng)中，并對科技服務(wù)資源進(jìn)行統(tǒng)一描述，供科技服務(wù)用戶查詢與調(diào)用。

3 科技資源本體構(gòu)建

本體定義為“概念化的顯式規(guī)范”，用可被機器和人類共同理解的模型描述一個特定領(lǐng)域，模型中定義了領(lǐng)域概念與其之間的關(guān)系[11]。通過提供一組公共關(guān)鍵字以定義與領(lǐng)域相關(guān)概念，關(guān)鍵字描述了每個概念的屬性。同時，通過描述概念之間的關(guān)系定義現(xiàn)實意義。本體概念可按層次結(jié)構(gòu)進(jìn)行組織，例如：超類/子類或父/子關(guān)系等。

本體模型的構(gòu)建不僅可揭示科技信息數(shù)據(jù)之間的內(nèi)在聯(lián)系，明確表達(dá)知識含義，還可增強知識內(nèi)容的共享性和可重用性[12]。本文定義的科技資源領(lǐng)域本體如圖2所示，圖中包括科技資源功能屬性、非功能QoS屬性及其之間的層次關(guān)系，表1列出了科技資源本體類及說明。

科技資源按照功能可劃分為科技服務(wù)、知識產(chǎn)品、科技資訊、科研儀器、實驗裝置、科研機構(gòu)、人力資源7大類。其中，科技服務(wù)包括科技查新檢索、科技咨詢、工業(yè)設(shè)計、技術(shù)評估、技術(shù)開發(fā)、成果轉(zhuǎn)化等;知識產(chǎn)品包括科技論文、專利、技術(shù)標(biāo)準(zhǔn)、知識數(shù)據(jù)庫等;科技咨詢包括政策法規(guī)、科研進(jìn)展、行業(yè)資訊等;科研儀器包括可用設(shè)備、儀器、系統(tǒng)平臺等;實驗器具包括實驗試劑、耗材、種質(zhì)資源等;科研機構(gòu)包括科技服務(wù)機構(gòu)、大學(xué)、企業(yè)研究機構(gòu)、實驗室、中試基地、工程研究中心等;人力資源包括科技服務(wù)人員、科技活動人員等。

科技資源按照QoS特征分為業(yè)務(wù)能力和技術(shù)能力兩類。其中，業(yè)務(wù)能力包括用戶滿意度/聲譽、經(jīng)濟因素（免費/固定付費/動態(tài)付費）、互操作性（容易/適中/難）等;技術(shù)能力包括性能（響應(yīng)時間/吞吐量/計算精度）、穩(wěn)定性（帶寬/延遲）、健壯性（弱/一般/強）、安全能力（加密/VPN/無）、可用性（修復(fù)時間）等。

構(gòu)建本體模型主要是設(shè)計概念類集合、屬性集合和關(guān)系集合，概念類層次結(jié)構(gòu)定義了科技資源實體的整體框架。為進(jìn)一步描述概念類的內(nèi)部關(guān)系，需用數(shù)值屬性Datatype Property描述類性質(zhì)，例如定義“專利”的屬性，包括專利權(quán)人、授權(quán)日期、名稱、授權(quán)專利號等屬性信息，并用對象屬性O(shè)bject Property描述概念類之間的語義關(guān)系。以科技成果轉(zhuǎn)化業(yè)務(wù)作為場景，如某科研機構(gòu)擁有與科研成果A相關(guān)的專利，以及與該專利A相關(guān)的科研儀器、平臺、專家等科技資源可供需求方單位使用。該業(yè)務(wù)中科技資源功能本體關(guān)系如圖3所示。其中，實驗室機構(gòu)與專利資源之間具有“擁有版權(quán)（hasCopyright）”的關(guān)系，實驗室機構(gòu)與專家資源之間具有“工作于（workAt）”的關(guān)系，專利與系統(tǒng)平臺、科研儀器及科研專家之間具有“相關(guān)（relateTo）”關(guān)系。該業(yè)務(wù)的非功能本體關(guān)系如圖4所示，相關(guān)科技資源均具有資源基本信息（hasBaseInfo），實驗室機構(gòu)資源具有QoS聲譽屬性（hasReputationProp），專利和科研專家資源具有QoS經(jīng)濟因素屬性（hasEconomicsProp），系統(tǒng)平臺資源具有QoS性能 （hasPerformanceProp）和經(jīng)濟因素屬性（hasEconomicsProp），科研儀器具有QoS穩(wěn)定性屬性（hasStabilityProp）。

4 科技資源存儲與訪問映射

4.1 科技資源存儲模型

本體和數(shù)據(jù)庫模型均可表達(dá)與存儲知識，但兩種模型關(guān)注點不同[13]。本體通過高層抽象的方式重點解決異質(zhì)系統(tǒng)交互、知識共享和信息融合等問題，支持概念之間的語義表達(dá)，關(guān)注數(shù)據(jù)內(nèi)涵;數(shù)據(jù)庫重點解決高性能數(shù)據(jù)存儲、便捷查詢等數(shù)據(jù)管理問題，可提供結(jié)構(gòu)化的存儲庫，關(guān)注實例數(shù)據(jù)存儲?？紤]兩種模型的優(yōu)勢，本文針對科技資源存儲，采用兩種模型相結(jié)合的方式，利用關(guān)系型數(shù)據(jù)庫存儲科技資源實例以及相關(guān)的非功能性數(shù)據(jù)，通過功能本體和非功能本體提高語義查詢效率。

在關(guān)系型數(shù)據(jù)模型構(gòu)建過程中，每個科技資源功能本體用4個字段表示，其中主鍵字段代表功能本體概念的唯一性，其它3個字段分別對應(yīng)本體概念基本信息、業(yè)務(wù)質(zhì)量屬性和技術(shù)質(zhì)量屬性。例如，科技成果轉(zhuǎn)化業(yè)務(wù)場景中的數(shù)據(jù)模型如圖5所示，5個功能本體均包括1個主鍵屬性與3個外鍵屬性，3個外鍵分別對應(yīng)功能本體實例的基本信息ID、業(yè)務(wù)質(zhì)量ID和技術(shù)質(zhì)量ID。數(shù)據(jù)模型表結(jié)構(gòu)中的主鍵均按照本體概念名加_ID的規(guī)則進(jìn)行命名。

4.2 科技資源訪問映射

基于本體的科技資源訪問優(yōu)勢是可以進(jìn)行語義檢索，避免僅依靠字面匹配造成的誤差，提高資源發(fā)現(xiàn)與服務(wù)能力[14]。要實現(xiàn)從關(guān)系數(shù)據(jù)庫實例數(shù)據(jù)中進(jìn)行語義查找，必須建立本體檢索到數(shù)據(jù)庫的訪問映射。本文建立的映射關(guān)系過程如圖6所示。

圖6中使用Ontop工具完成從本體檢索到數(shù)據(jù)庫實例的映射訪問。Ontop是一個虛擬知識圖形系統(tǒng)，可將現(xiàn)有關(guān)系數(shù)據(jù)庫虛擬化為知識圖譜，具有將SPARQL查詢轉(zhuǎn)換為SQL查詢的能力[15]。實現(xiàn)語義查找的關(guān)鍵是定義科技資源訪問映射規(guī)則，這些規(guī)則將本體概念與數(shù)據(jù)庫表屬性建立鏈接關(guān)系，將存儲在數(shù)據(jù)庫中的數(shù)據(jù)轉(zhuǎn)換為RDF三元組集合，每個三元組包括資源URI引用、屬性和屬性值。例如，概念Reputation的每個本體實例對應(yīng)兩個三元組，資源URI引用表示為“”，或者添加前綴“：”表示為“：Reputation_ID_10”，屬性表示為“rdf：type”和“：QoSValue”，屬性值表示為“：Reputation”和“8”，如表2所示。

Ontop支持SPARQL語法，可將SPARQL查詢映射為關(guān)系數(shù)據(jù)庫SQL查詢，實現(xiàn)對數(shù)據(jù)實例的查詢。表3列出了科技成果轉(zhuǎn)化業(yè)務(wù)場景中科技資源訪問映射的部分規(guī)則，其中“：”代表前綴“

5 測試運行

本文使用Protégé工具進(jìn)行科技資源本體建模，并使用微軟的關(guān)系型數(shù)據(jù)庫SQL Server存儲本體實例。Protégé安裝Ontop插件后，在工具欄中增加了用于數(shù)據(jù)源和規(guī)則映射配置的Ontop Mappings選項卡與用于查詢管理的Ontop SPARQL選項卡。配置數(shù)據(jù)源連接參數(shù)后，通過Mapping manager加入映射規(guī)則。從運行結(jié)果來看，構(gòu)建的科技資源本體和存儲模型可以有效實現(xiàn)資源的語義查詢。

6 結(jié)語

科技資源集成與共享是國家科技服務(wù)發(fā)展的基礎(chǔ)，本文定義了科技服務(wù)資源虛擬池框架，分析了科技服務(wù)資源的功能屬性和非功能屬性，給出了科技服務(wù)資源的領(lǐng)域本體和語義定義，研究了科技資源實例存儲技術(shù)，定義了科技服務(wù)資源的統(tǒng)一存儲模型和SPARQL語義查詢映射規(guī)則，為跨區(qū)域科技服務(wù)共享云平臺建設(shè)提供了有力支撐。下一步工作將結(jié)合業(yè)務(wù)場景完善領(lǐng)域本體與存儲模型，研究映射規(guī)則的自動化定義算法，提高工作效率，研究科技服務(wù)資源選擇與搜索技術(shù)，封裝資源查詢與管理接口，搭建科技服務(wù)資源共享云平臺。

參考文獻(xiàn)：

[1] WU H C， HU S Y. An overview of cross-regional collaborative innovation[C]. 2019 3rd International Conference on Advanced Education and Management Science，2019：277-282.

[2] 宮萍，王理，張輝，等. 基于語義本體的科技資源集成建模研究[J]. 標(biāo)準(zhǔn)科學(xué)，2019（3）：36-40.

[3] 王宏起，程淑娥，李玥. 大數(shù)據(jù)環(huán)境下區(qū)域科技資源共享平臺云服務(wù)模式研究[J]. 情報理論與實踐，2017，40（3）：42-47.

[4] SAHOO J，MOHAPATRA S，LATH R. Virtualization： a survey on concepts， taxonomy and associated security issues[C]. Second International Conference on Computer & Network Technology，2010：222-226.

[5] 李宗俊，陳文杰. 區(qū)域科技服務(wù)資源集成與關(guān)聯(lián)研究[J]. 中國科技資源導(dǎo)刊，2019，51（6）：1-5，58.

[6] LIU X F，SHAHRIAR M R，Al SUNNY S M N，et al. Cyber-physical manufacturing cloud： Architecture， virtualization， communication， and testbed[J]. Journal of Manufacturing Systems，2017，43：352-364.

[7] LI W，ZHONG Y，WANG X，et al. Resource virtualization and service selection in cloud logistics[J].? Journal of Network and Computer Applications， 2013， 36（6）：1696-1704.

[8] OGAWA K， KANAI K， NAKAMURA K， et al. IoT device virtualization for efficient resource utilization in smart city IoT platform[C]. 2019 IEEE International Conference on Pervasive Computing and Communications Workshops （PerCom Workshops）， 2019： 419-422.

[9] VICHARE P，NASSEHI A，KUMAR S， et al. A unified manufacturing resource model for representing CNC machining systems[J].? Robotics and Computer-Integrated Manufacturing，2009， 25（6）：999-1007.

[10] 宋佳，高少華，楊杰，等. 科技資源元數(shù)據(jù)的關(guān)聯(lián)與推薦方法[J]. 中國科技資源導(dǎo)刊，2017，49（5）：37-44，103.

[11] STAAB S， STUDER R. Handbook on ontologies （international handbooks on information systems）[M]. Berlin：Springer-Verlag，2004.

[12] WONGTHONTHAM P，ABUSALIH B.? Ontology-based approach for semantic data extraction from social big data： state-of-the-art and research directions[J].? Journal of Organizational Computing & Electronic Commerce， 2018，28（4）：354-377.

[13] SIR M， BRADAC Z， FIEDLER P. Ontology versus database[J].? IFAC Papersonline， 2015， 48（4）：220-225.

[14] 宋培彥，陳白雪，賢信. 科技專家信息語義模型構(gòu)建及實證研究[J]. 情報理論與實踐，2017，40（9）：123-128.

[15] Free University of Bozen-Bolzano.Ontop[EB/OL]. https：//ontop.inf.unibz.it/.

（責(zé)任編輯：黃 健）

0 引言

純電動汽車的應(yīng)用可以緩解能源短缺、環(huán)境污染等問題，因此各企業(yè)越來越重視純電動汽車生產(chǎn)、技術(shù)和銷售方面的創(chuàng)新。純電動汽車銷售量也日益增長，根據(jù)前瞻產(chǎn)業(yè)研究院報告顯示，2019年上半年純電動汽車全球銷售量增長了92%，達(dá)到76.5萬輛，中國市場銷售量為43.07萬輛，同比增長了111%。由銷量數(shù)據(jù)可以看出，純電動汽車市場發(fā)展前景是可觀的。因此，純電動汽車研發(fā)與推廣依然是新能源汽車重要的研究方向。近年來在政府與企業(yè)的共同努力下，電動汽車在生產(chǎn)成本、行駛里程、資金投入與使用等關(guān)鍵問題上獲得了重大突破[1]。對純電動汽車月度銷售量進(jìn)行預(yù)測，能為企業(yè)科學(xué)制定汽車產(chǎn)量提供依據(jù)。

影響電動汽車銷售量的因素眾多，且復(fù)雜多變，通常具有非線性變化特性，導(dǎo)致傳統(tǒng)線性映射模型對純電動汽車銷售量的預(yù)測精度較低[1]。因此，很多學(xué)者采用基于非線性模型的預(yù)測方法。如董麗麗等[2]利用LSTM神經(jīng)網(wǎng)絡(luò)對煤礦突水情況進(jìn)行預(yù)測;劉璐等[3]利用SVM對煙草銷售量進(jìn)行預(yù)測等。為了實現(xiàn)更好的預(yù)測效果，將多種預(yù)測方法相結(jié)合也成為當(dāng)前的研究熱點[4-5]。如李軍懷等[6]提出借助馬爾可夫鏈修正指數(shù)平滑的方法預(yù)測短時交通流量，以提高預(yù)測精度;黃羹墻等[7]首先利用BP神經(jīng)網(wǎng)絡(luò)模型對短期電價進(jìn)行初步預(yù)測，再用馬爾可夫模型對預(yù)測誤差進(jìn)行修正，可提高短期電價預(yù)測精度;石萍等[8]考慮電動汽車銷量的季節(jié)性變化因素，運用組合模型預(yù)測新能源電動汽車銷售量;周彥福等[9]先利用灰色關(guān)聯(lián)分析8種影響銷售量的因素，再構(gòu)建果蠅算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)（FOA-GNN）預(yù)測模型進(jìn)行新能源汽車月度銷售量預(yù)測，通過對比預(yù)測結(jié)果，顯示該模型具有較高的預(yù)測精度。

在之前的研究中，提取純電動汽車銷售量影響因素時并未考慮消費者預(yù)期指數(shù)、消費者滿意指數(shù)、企業(yè)家信心指數(shù)和煤油電價格指數(shù)等因素，本文將這些因素考慮在內(nèi)，利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測純電動汽車銷售量，再根據(jù)馬爾科夫鏈修正預(yù)測結(jié)果，以進(jìn)一步提高預(yù)測精度。

1 BP神經(jīng)網(wǎng)絡(luò)與馬爾科夫模型

1.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是1986年由以Rumelhart&McCelland為首的科學(xué)家小組提出的，是一種利用誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，因其具有簡單易行、計算量小、并行性強等優(yōu)點，成為目前應(yīng)用比較廣泛的一種神經(jīng)網(wǎng)絡(luò)模型[10-11]。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成（見圖1）。在網(wǎng)絡(luò)訓(xùn)練過程中，通過將輸出層與實際輸出樣本之間的誤差經(jīng)過各隱含層反向傳遞到輸入層，逐層計算各層神經(jīng)元誤差，然后根據(jù)誤差梯度下降法調(diào)節(jié)各層權(quán)值和閾值，使修改后網(wǎng)絡(luò)最終輸出能接近期望值[12-14]。

1.1.1 信號前向傳播過程

設(shè)網(wǎng)絡(luò)輸入模式為xx1，x2，…，xnT，隱含層有h個單元，其輸出為y=（y1，y2，…，yh）T，輸出層有m個單元，其輸出為z=（z1，z2，…，zm）T，目標(biāo)輸出為t=（t1，t2，…，tm）T，隱含層到輸出層的傳遞函數(shù)為f，輸出層傳遞函數(shù)為g。計算公式如下：

x'=x-xminxmax-xmin? ? ? ? ? ? ? ? ? （14）

3 模型分析與修正結(jié)果

BP神經(jīng)網(wǎng)絡(luò)為縮短網(wǎng)絡(luò)訓(xùn)練時間與提高訓(xùn)練精度，通常選擇較少的隱含層結(jié)點數(shù)[7]。本文選取學(xué)習(xí)率lr=0.000 1，最大訓(xùn)練次數(shù)epochs=10 000，收斂誤差goal=1e-3，隱含層神經(jīng)元結(jié)點數(shù)為9，訓(xùn)練函數(shù)為trainlm。訓(xùn)練網(wǎng)絡(luò)中將輸入數(shù)據(jù)的70%作為訓(xùn)練集，15%作為測試集，15%用來進(jìn)行模型預(yù)測[15]，仿真結(jié)果如圖2所示。運用BP神經(jīng)網(wǎng)絡(luò)對2017-2018年24個月的純電動汽車銷售量進(jìn)行預(yù)測，其實際值與預(yù)測值相對誤差如表1所示。將相對誤差分為6個狀態(tài)，分別為：E1：-35%～-20%，E2：-20%～-5%，E3：-5%～10%，E4：10%～25%，E5：25%～40%，E6：40%～55%。

根據(jù)相對誤差劃分狀態(tài)，利用馬爾科夫進(jìn)行優(yōu)化，由上述的馬爾科夫模型可求得一次狀態(tài)轉(zhuǎn)移概率為：

P1=03/401/92/94/91/30001/20011/6010? 01/401/901/9000000000100? ? ? ? ? ? （15）

將2018年12月作為初始狀態(tài)α0=010000，根據(jù)馬爾科夫原理可求得2019年1月狀態(tài)為α1=α0？P1=1/92/94/91/901/9，則所處狀態(tài)為E3，對應(yīng)相對誤差為（-5%+10%）/2=2.5%，Markov-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值為6.35×1+2.5%=6.51。同理，利用Markov-BP神經(jīng)網(wǎng)絡(luò)模型可得出2019年2月-9月的純電動汽車預(yù)測值，如表2所示。

從BP神經(jīng)網(wǎng)絡(luò)模型與Markov-BP神經(jīng)網(wǎng)絡(luò)模型對純電動汽車銷售量預(yù)測的相對誤差對比可以發(fā)現(xiàn)，Markov-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值的相對誤差更小，因而提高了預(yù)測準(zhǔn)確度。

4 結(jié)語

在提倡綠色發(fā)展的大背景下，政府支持純電動汽車的研發(fā)與推廣，但現(xiàn)階段純電動汽車的銷售情況并不樂觀。因此，對純電動汽車銷售量進(jìn)行準(zhǔn)確預(yù)測，可以減少資源浪費，降低企業(yè)成本。本文選取影響純電動汽車銷售量的7個關(guān)鍵因素，利用BP神經(jīng)網(wǎng)絡(luò)模型對現(xiàn)有數(shù)據(jù)進(jìn)行訓(xùn)練，用測試好的模型預(yù)測2019年1月-9月純電動汽車銷售量，再用馬爾科夫（Markov）模型修正其預(yù)測值。通過對比發(fā)現(xiàn)，Markov-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度更高，可有效彌補BP神經(jīng)網(wǎng)絡(luò)預(yù)測的不足。但本文選取的純電動汽車銷售量影響因素不夠全面，未結(jié)合純電動汽車價格及相應(yīng)技術(shù)指標(biāo)進(jìn)行綜合考慮。因此，充分考慮這些影響因素，并找到更合適的純電動汽車銷售量預(yù)測模型，是下一步的研究方向。

參考文獻(xiàn)：

[1] 孫婷婷，沈毅，趙亮. 一種基于BP神經(jīng)網(wǎng)絡(luò)的房價預(yù)測模型[J]. 電腦知識與技術(shù)，2019，15（28）：215-218.

[2] 董麗麗，費城，張翔，等. 基于LSTM神經(jīng)網(wǎng)絡(luò)的煤礦突水預(yù)測[J]. 煤田地質(zhì)與勘探，2019，47（2）：137-143.

[3] 劉璐，丁福利，孫立民. 基于SVM的煙草銷售量預(yù)測[J]. 軟件導(dǎo)刊，2016，15（11）：134-137.

[4] 張茜，馮民權(quán). 基于BP神經(jīng)網(wǎng)絡(luò)馬爾科夫模型的漳澤水庫水質(zhì)預(yù)測[J]. 黑龍江大學(xué)工程學(xué)報，2018，9（2）：38-44.

[5] 王保賢，劉毅. 基于灰色BP神經(jīng)網(wǎng)絡(luò)模型的人力資源需求預(yù)測方法[J]. 統(tǒng)計與決策，2018，34（16）：181-184.

[6] 李軍懷，高瞻，王志曉，等. 基于指數(shù)平滑和馬爾可夫鏈的短時交通流量預(yù)測[J]. 計算機系統(tǒng)應(yīng)用，2013，22（12）：132-135.

[7] 黃羹墻，楊俊杰. 基于BP神經(jīng)網(wǎng)絡(luò)與馬爾可夫鏈的短期電價預(yù)測[J]. 上海電力學(xué)院學(xué)報，2017，33（1）：1-3，10.

[8] 石萍，黎俊輝，劉洪. 新能源電動車銷量預(yù)測模型的應(yīng)用[J]. 遼寧科技大學(xué)學(xué)報，2016，39（5）：395-400.

[9] 周彥福，王紅蕾. 我國新能源汽車月度銷售量預(yù)測模型研究[J]. 軟件導(dǎo)刊，2019，18（8）：149-153.

[10] 陳娟，曹沁愉. 基于馬爾科夫鏈對BP神經(jīng)網(wǎng)絡(luò)法殘差修正模型的短期風(fēng)電功率預(yù)測[J]. 電力與能源，2017，38（5）：567-570.

[11] 王奕翔，陳濟穎，王晟全，等. 基于改進(jìn)型RF-BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)價格預(yù)測[J]. 工業(yè)控制計算機，2019，32（10）：122-124.

[12] 陳廣銀，蔡灝兢，姜欣. 馬爾可夫修正的BP神經(jīng)網(wǎng)絡(luò)在PM2.5預(yù)測中的應(yīng)用[J]. 能源環(huán)境保護(hù)，2017，31（5）：8-11.

[13] WANG H，XU L，WANG X. Outage probability performance prediction for mobile cooperative communication networks based on artificial neural network[J]. Sensors，2019，19（21）：4789-4805.

[14] 徐森. 基于BP神經(jīng)網(wǎng)絡(luò)的甘肅省公路客運量預(yù)測方法[J]. 交通與運輸，2019，35（5）：28-31.

[15] 王筱欣，高攀. 基于BP神經(jīng)網(wǎng)絡(luò)的重慶市房價驗證與預(yù)測[J]. 重慶理工大學(xué)學(xué)報（社會科學(xué)），2016，30（9）：49-53.

（責(zé)任編輯：黃 健）